一文归纳Python特征生成方法(全)

[aialgorithm]

业内常说数据决定了模型效果上限，而机器学习算法是通过数据特征做出预测的，好的特征可以显著地提升模型效果。这意味着通过特征生成（即从数据设计加工出模型可用特征），是特征工程相当关键的一步。本文从特征生成作用、特征生成的方法（人工设计、自动化特征生成）展开阐述并附上代码。

创造新的特征是一件十分困难的事情，需要丰富的专业知识和大量的时间。机器学习应用的本质基本上就是特征工程。
——Andrew Ng

1 特征生成的作用

特征生成是特征提取中的重要一步，作用在于：

• 增加特征的表达能力，提升模型效果；(如体重除以身高就是表达健康情况的重要特征，而单纯看身高或体重对健康情况表达就有限。)
• 可以融入业务上的理解设计特征，增加模型的可解释性；

2 数据情况分析

本文示例的数据集是客户的资金变动情况，如下数据字典：

cust_no：客户编号；I1 :性别；I2：年龄 ；E1：开户日期；  
B6 ：近期转账日期；C1 (后缀_fir表示上个月)：存款；C2：存款产品数； 
X1：理财存款； X2：结构性存款；  label：资金情况上升下降情况。

这里安利一个超实用Python库，可以一键数据分析（数据概况、缺失、相关性、异常值等等），方便结合数据分析报告做特征生成。

# 一键数据分析
import pandas_profiling

pandas_profiling.ProfileReport(df)

3 特征生成的方法

特征生成方法可以分为两类：聚合方式、转换方式。

3.1 聚合方式

聚合方式是指对存在一对多的字段，将其对应多条记录分组聚合后统计平均值、计数、最大值等数据特征。
如以上述数据集，同一cust_no对应多条记录，通过对cust_no(客户编号)做分组聚合，统计C1字段个数、唯一数、平均值、中位数、标准差、总和、最大、最小值，最终得到按每个cust_no统计的C1平均值、最大值等特征。

# 以cust_no做聚合，C1字段统计个数、唯一数、平均值、中位数、标准差、总和、最大、最小值
df.groupby('cust_no').C1.agg(['count','nunique','mean','median','std','sum','max','min'])

此外还可以pandas自定义聚合函数生成特征，比如加工聚合元素的平方和：

# 自定义分组聚合统计函数
def x2_sum(group):
    return sum(group**2)

df.groupby('cust_no').C1.apply(x2_sum)    

3.2 转换方式

转换方式是指对字段间做加减乘除等运算生成数据特征的过程，对不同字段类型有不同转换方式。

3.2.1 数值类型

• 加减乘除
  多个字段做运算生成新的特征，这通常需要结合业务层面的理解以及数据分布的情况，以生成较优的特征集。
  

import numpy as np

# 前后两个月资金和
df['C1+C1_fir'] = df['C1']+df['C1_fir']
# 前后两个月资金差异
df['C1-C1_fir'] = df['C1']-df['C1_fir']
# 产品数*资金
df['C1*C2'] = df['C1']*df['C2']
# 前后两个月资金变化率
df['C1/C1_fir'] = df['C1']/df['C1_fir']  - 1
df.head()

• 多个列统计
  直接用聚合函数统计多列的方差、均值等
  

import numpy as np

df['C1_sum'] = np.sum(df[['C1_fir','C1']], axis = 1)
df['C1_var'] = np.var(df[['C1_fir','C1']], axis = 1)
df['C1_max'] = np.max(df[['C1_fir','C1']], axis = 1)
df['C1_min'] = np.min(df[['C1_fir','C1']], axis = 1)
df['C1-C1_fir_abs'] = np.abs(df['C1-C1_fir'])
df.head()

• 排名编码特征
  按特征值对全体样本进行排序，以排序序号作为特征值。这种特征对异常点不敏感，也不容易导致特征值冲突。

# 排序特征

df['C1_rank'] = df['C1'].rank(ascending=0, method='dense')
df.head()

3.2.2 字符类型

• 截取
  当字符类型的值过多，通常可对字符类型变量做截取，以减少模型过拟合。如具体的家庭住址，可以截取字符串到城市级的粒度。

• 字符长度
  统计字符串长度。如转账场景中，转账留言的字数某些程度可以刻画这笔转账的类型。

• 频次
  通过统计字符出现频次。如欺诈场景中地址出现次数越多，越有可能是团伙欺诈。

# 字符特征
# 由于没有合适的例子，这边只是用代码实现逻辑，加工的字段并无含义。

#截取第一位字符串
df['I1_0'] = df['I1'].map(lambda x:str(x)[:1])
# 字符长度
df['I1_len'] = df['I1'].apply(lambda x:len(str(x)))

display(df.head())
# 字符串频次
df['I1'].value_counts()

3.2.3 日期类型

常用的有计算日期间隔、周几、几点等等。

# 日期类型
df['E1_B6_interval'] = (df.E1.astype('datetime64[ns]') - df.B6.astype('datetime64[ns]')).map(lambda x:x.days)
df['E1_is_month_end'] = pd.to_datetime(df.E1).map(lambda x :x.is_month_end)
df['E1_dayofweek'] = df.E1.astype('datetime64[ns]').dt.dayofweek
df['B6_hour'] = df.B6.astype('datetime64[ns]').dt.hour
df.head()

4 自动化特征生成

传统的特征工程方法通过人工构建特征，这是一个繁琐、耗时且容易出错的过程。自动化特征工程是通过Fearturetools等工具，从一组相关数据表中自动生成有用的特征的过程。对比人工生成特征会更为高效，可重复性更高，能够更快地构建模型。

4.1 FeatureTools上手

Featuretools是一个用于执行自动化特征工程的开源库，它有基本的3个概念：
1）Feature Primitives(特征基元)：生成特征的常用方法，分为聚合(agg_primitives)、转换(trans_primitives)的方式。可通过如下代码列出featuretools的特征加工方法及简介。

import featuretools as ft

ft.list_primitives()

2）Entity(实体)  可以被看作类似Pandas DataFrame, 多个实体的集合称为Entityset。实体间可以根据关联键添加关联关系Relationship。

# df1为原始的特征数据
df1 = df.drop('label',axis=1)

# df2为客户清单(cust_no唯一值)
df2 = df[['cust_no']].drop_duplicates()
df2.head()

# 定义数据集
es = ft.EntitySet(id='dfs')

# 增加一个df1数据框实体
es.entity_from_dataframe(entity_id='df1',         
             dataframe=df1,
             index='id',
             make_index=True)

# 增加一个df2数据实体
es.entity_from_dataframe(entity_id='df2',         
             dataframe=df2,
             index='cust_no')


# 添加实体间关系：通过 cust_no键关联 df_1 和 df 2实体
relation1 = ft.Relationship(es['df2']['cust_no'], es['df1']['cust_no'])
es = es.add_relationship(relation1)

3）dfs(深度特征合成) ： 是从多个数据集创建新特征的过程，可以通过设置搜索的最大深度(max_depth)来控制所特征生成的复杂性

## 运行DFS特征衍生
features_matrix,feature_names = ft.dfs(entityset=es,
                                       target_entity='df2',
                                       relationships = [relation1],
                                       trans_primitives=['divide_numeric','multiply_numeric','subtract_numeric'],
                                       agg_primitives=['sum'],
                                       max_depth=2,n_jobs=1,verbose=-1)

4.2 FeatureTools问题点

4.2.1 内存溢出问题
Fearturetools是通过工程层面暴力生成所有特征的过程，当数据量大的时候，容易造成内存溢出。解决这个问题除了升级服务器内存，减少njobs，还有一个常用的是通过只选择重要的特征进行暴力衍生特征。

4.2.2 特征维度爆炸
当原始特征数量多，或max_depth、特征基元的种类设定较大，Fearturetools生成的特征数量巨大，容易维度爆炸。这是就需要考虑到特征选择、特征降维，常用的特征选择方法可以参考上一篇文章: Python特征选择

---

注：本文源码链接：Github。(公众号阅读原文可访问链接)